Análisis de modelos SOM - Frecuencia datos de entrada: mes

Modelo

• ID: 282
• Descripción:
• Frecuencia: mes
• Variables: fecha_cnt, precip, longitud, latitud, altitud
• Dimensiones del mapa: 5,5
• Iteraciones: 10000
• Parámetros adicionales:

source("../../lib/som-utils.R")

Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

source("../../lib/maps-utils.R")

Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1

Carga del modelo desde disco

mpr.set_base_path_analysis()
model <- mpr.load_model("som-282.rds.xz")
summary(model)

SOM of size 5x5 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.976.

plot(model, type="changes")

Carga del dataset de entrada

df <- mpr.load_data("datos_mes.csv.xz")

df

summary(df)

 id_estacion           fecha             fecha_cnt           tmax      
 Length:94881       Length:94881       Min.   : 1.000   Min.   :-53.0  
 Class :character   Class :character   1st Qu.: 4.000   1st Qu.:148.0  
 Mode  :character   Mode  :character   Median : 6.000   Median :198.0  
                                       Mean   : 6.497   Mean   :200.2  
                                       3rd Qu.: 9.000   3rd Qu.:255.0  
                                       Max.   :12.000   Max.   :403.0  
      tmin             precip           nevada           prof_nieve      
 Min.   :-121.00   Min.   :  0.00   Min.   :0.000000   Min.   :   0.000  
 1st Qu.:  53.00   1st Qu.:  3.00   1st Qu.:0.000000   1st Qu.:   0.000  
 Median :  98.00   Median : 10.00   Median :0.000000   Median :   0.000  
 Mean   :  98.86   Mean   : 16.25   Mean   :0.000295   Mean   :   0.467  
 3rd Qu.: 148.00   3rd Qu.: 22.00   3rd Qu.:0.000000   3rd Qu.:   0.000  
 Max.   : 254.00   Max.   :422.00   Max.   :6.000000   Max.   :1834.000  
    longitud        latitud            altitud      
 Min.   :27.82   Min.   :-17.8889   Min.   :   1.0  
 1st Qu.:38.28   1st Qu.: -5.6417   1st Qu.:  42.0  
 Median :40.82   Median : -3.4500   Median : 247.0  
 Mean   :39.66   Mean   : -3.4350   Mean   : 418.5  
 3rd Qu.:42.08   3rd Qu.:  0.4914   3rd Qu.: 656.0  
 Max.   :43.57   Max.   :  4.2156   Max.   :2535.0  

Carga de los mapas

world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")

Mapa de densidad

plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)

Número de elementos en cada celda:

nb <- table(model$unit.classif)
print(nb)

   1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16 
1627 3125 6753 2025  885  387 4459 3508 3970 2974 1309 2524 3877 7108 6928 6432 
  17   18   19   20   21   22   23   24   25 
2471 3523 4609 1929 6026 5324 2105 4148 6855 

Comprobación de nodos vacíos:

dim_model <- 5*5;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
  print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}

Mapa de distancia entre vecinos

plot(model, type="dist.neighbours", shape = "straight")

Influencia de las variables

model_colnames = c("fecha_cnt", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)

Mapa de variables.

plot(model, shape = "straight")

Mapa de calor por variable

par(mfrow=c(3,4))
for (j in 1:model_ncol) {
  plot(model, type="property", property=getCodes(model,1)[,j],
    palette.name=mpr.coolBlueHotRed,
    main=model_colnames[j],
    cex=0.5, shape = "straight")
}

Correlación para cada columna del vector de nodos

if (!empty_nodes) {
  cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
  print(cor)
}

      fecha_cnt     precip   longitud    latitud    altitud
[1,] 0.07463533 -0.2033165 -0.4594562 -0.6123694  0.5253818
[2,] 0.13728853 -0.3722908 -0.5541218 -0.1800179 -0.5396723

Representación de cada variable en un mapa de factores:

if (!empty_nodes) {
  par(mfrow=c(1,1))
  plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
  lines(c(-1,1),c(0,0))
  lines(c(0,0),c(-1,1))
  text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
  symbols(0,0,circles=1,inches=F,add=T)
}

Importancia de cada variable - varianza ponderada por el tamaño de la celda:

if (!empty_nodes) {
  sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
     {m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
     effectif=nb))
  print(sort(sigma2,decreasing=T))
}

 longitud   latitud    precip fecha_cnt   altitud 
0.9578747 0.9338975 0.8935537 0.8816973 0.8200988 

Clustering

if (!empty_nodes) {
  hac <- mpr.hac(model, nb)
}

Visualización de 3 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=3)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=3)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   : 46.00   Min.   :0  
 1st Qu.: 2.000   1st Qu.:125.0   1st Qu.: 57.00   1st Qu.: 64.00   1st Qu.:0  
 Median : 5.000   Median :148.0   Median : 77.00   Median : 75.00   Median :0  
 Mean   : 6.315   Mean   :154.3   Mean   : 82.09   Mean   : 83.25   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:178.0   3rd Qu.:105.00   3rd Qu.: 93.00   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   :  0.0000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.0000   1st Qu.:41.86   1st Qu.: -8.411   1st Qu.:  32.0  
 Median :  0.0000   Median :42.89   Median : -4.846   Median :  98.0  
 Mean   :  0.3816   Mean   :41.82   Mean   : -4.681   Mean   : 196.6  
 3rd Qu.:  0.0000   3rd Qu.:43.35   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :607.0000   Max.   :43.57   Max.   :  4.216   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin            precip      
 Min.   : 1.000   Min.   :-53.0   Min.   :-121.0   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.:148.0   1st Qu.:  50.0   1st Qu.:  3.00  
 Median : 7.000   Median :196.0   Median :  94.0   Median : 10.00  
 Mean   : 6.503   Mean   :200.6   Mean   :  95.3   Mean   : 14.39  
 3rd Qu.: 9.000   3rd Qu.:257.0   3rd Qu.: 143.0   3rd Qu.: 21.00  
 Max.   :12.000   Max.   :403.0   Max.   : 254.0   Max.   :126.00  
     nevada           prof_nieve           longitud        latitud        
 Min.   :0.000000   Min.   :   0.0000   Min.   :28.31   Min.   :-16.4992  
 1st Qu.:0.000000   1st Qu.:   0.0000   1st Qu.:38.95   1st Qu.: -4.8500  
 Median :0.000000   Median :   0.0000   Median :40.95   Median : -2.4831  
 Mean   :0.000331   Mean   :   0.5056   Mean   :40.49   Mean   : -2.3654  
 3rd Qu.:0.000000   3rd Qu.:   0.0000   3rd Qu.:42.08   3rd Qu.:  0.5356  
 Max.   :6.000000   Max.   :1834.0000   Max.   :43.57   Max.   :  4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 261.0  
 Mean   : 419.5  
 3rd Qu.: 667.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : 30.0   Min.   :-31.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.: 0.00   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median : 1.00   Median :0  
 Mean   : 6.505   Mean   :217.7   Mean   :150.9   Mean   : 6.74   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.: 8.00   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :93.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03093   Mean   :28.37   Mean   :-16.05   Mean   : 514.5  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

Visualización de 4 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=4)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=4)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   : 46.00   Min.   :0  
 1st Qu.: 2.000   1st Qu.:125.0   1st Qu.: 57.00   1st Qu.: 64.00   1st Qu.:0  
 Median : 5.000   Median :148.0   Median : 77.00   Median : 75.00   Median :0  
 Mean   : 6.315   Mean   :154.3   Mean   : 82.09   Mean   : 83.25   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:178.0   3rd Qu.:105.00   3rd Qu.: 93.00   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   :  0.0000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.0000   1st Qu.:41.86   1st Qu.: -8.411   1st Qu.:  32.0  
 Median :  0.0000   Median :42.89   Median : -4.846   Median :  98.0  
 Mean   :  0.3816   Mean   :41.82   Mean   : -4.681   Mean   : 196.6  
 3rd Qu.:  0.0000   3rd Qu.:43.35   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :607.0000   Max.   :43.57   Max.   :  4.216   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt         tmax            tmin             precip     
 Min.   : 1.0   Min.   : -4.0   Min.   :-110.00   Min.   : 0.00  
 1st Qu.: 4.0   1st Qu.:152.0   1st Qu.:  53.00   1st Qu.: 3.00  
 Median : 7.0   Median :199.0   Median :  97.00   Median :10.00  
 Mean   : 6.5   Mean   :204.5   Mean   :  98.04   Mean   :13.69  
 3rd Qu.: 9.0   3rd Qu.:260.0   3rd Qu.: 145.00   3rd Qu.:20.00  
 Max.   :12.0   Max.   :403.0   Max.   : 254.00   Max.   :67.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   : 0.00000   Min.   :35.28   Min.   :-8.6494  
 1st Qu.:0.000000   1st Qu.: 0.00000   1st Qu.:38.95   1st Qu.:-4.8500  
 Median :0.000000   Median : 0.00000   Median :40.95   Median :-2.4831  
 Mean   :0.000342   Mean   : 0.04738   Mean   :40.44   Mean   :-2.4379  
 3rd Qu.:0.000000   3rd Qu.: 0.00000   3rd Qu.:42.01   3rd Qu.: 0.4914  
 Max.   :6.000000   Max.   :75.00000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 247.0  
 Mean   : 359.7  
 3rd Qu.: 639.0  
 Max.   :1668.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax             tmin             precip     
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.0  
 1st Qu.: 4.000   1st Qu.: 33.00   1st Qu.: -29.75   1st Qu.: 16.0  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.5  
 Mean   : 6.586   Mean   : 89.72   Mean   :  18.43   Mean   : 34.0  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 47.0  
 Max.   :12.000   Max.   :263.00   Max.   : 163.00   Max.   :126.0  
     nevada    prof_nieve         longitud        latitud        
 Min.   :0   Min.   :   0.00   Min.   :28.31   Min.   :-16.4992  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.: -4.0103  
 Median :0   Median :   0.00   Median :42.38   Median :  0.8842  
 Mean   :0   Mean   :  13.38   Mean   :41.86   Mean   : -0.3277  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.:  1.5242  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   :  2.4378  
    altitud    
 Min.   :1167  
 1st Qu.:1894  
 Median :2143  
 Mean   :2100  
 3rd Qu.:2316  
 Max.   :2535  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : 30.0   Min.   :-31.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.: 0.00   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median : 1.00   Median :0  
 Mean   : 6.505   Mean   :217.7   Mean   :150.9   Mean   : 6.74   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.: 8.00   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :93.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03093   Mean   :28.37   Mean   :-16.05   Mean   : 514.5  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

Visualización de 5 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=5)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=5)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   : 46.00   Min.   :0  
 1st Qu.: 2.000   1st Qu.:125.0   1st Qu.: 57.00   1st Qu.: 64.00   1st Qu.:0  
 Median : 5.000   Median :148.0   Median : 77.00   Median : 75.00   Median :0  
 Mean   : 6.315   Mean   :154.3   Mean   : 82.09   Mean   : 83.25   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:178.0   3rd Qu.:105.00   3rd Qu.: 93.00   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   :  0.0000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.0000   1st Qu.:41.86   1st Qu.: -8.411   1st Qu.:  32.0  
 Median :  0.0000   Median :42.89   Median : -4.846   Median :  98.0  
 Mean   :  0.3816   Mean   :41.82   Mean   : -4.681   Mean   : 196.6  
 3rd Qu.:  0.0000   3rd Qu.:43.35   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :607.0000   Max.   :43.57   Max.   :  4.216   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-89.00   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.:150.0   1st Qu.: 48.00   1st Qu.: 3.00  
 Median : 4.000   Median :189.0   Median : 88.00   Median :10.00  
 Mean   : 4.748   Mean   :198.9   Mean   : 90.57   Mean   :13.18  
 3rd Qu.: 7.000   3rd Qu.:246.0   3rd Qu.:134.00   3rd Qu.:20.00  
 Max.   :12.000   Max.   :403.0   Max.   :250.00   Max.   :66.00  
     nevada          prof_nieve          longitud        latitud      
 Min.   :0.00000   Min.   : 0.00000   Min.   :35.28   Min.   :-8.649  
 1st Qu.:0.00000   1st Qu.: 0.00000   1st Qu.:37.84   1st Qu.:-5.649  
 Median :0.00000   Median : 0.00000   Median :40.66   Median :-3.789  
 Mean   :0.00038   Mean   : 0.06007   Mean   :40.12   Mean   :-3.398  
 3rd Qu.:0.00000   3rd Qu.: 0.00000   3rd Qu.:42.01   3rd Qu.:-1.411  
 Max.   :6.00000   Max.   :75.00000   Max.   :43.57   Max.   : 4.216  
    altitud      
 Min.   :   1.0  
 1st Qu.:  42.0  
 Median : 200.0  
 Mean   : 363.1  
 3rd Qu.: 656.0  
 Max.   :1668.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax             tmin             precip     
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.0  
 1st Qu.: 4.000   1st Qu.: 33.00   1st Qu.: -29.75   1st Qu.: 16.0  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.5  
 Mean   : 6.586   Mean   : 89.72   Mean   :  18.43   Mean   : 34.0  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 47.0  
 Max.   :12.000   Max.   :263.00   Max.   : 163.00   Max.   :126.0  
     nevada    prof_nieve         longitud        latitud        
 Min.   :0   Min.   :   0.00   Min.   :28.31   Min.   :-16.4992  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.: -4.0103  
 Median :0   Median :   0.00   Median :42.38   Median :  0.8842  
 Mean   :0   Mean   :  13.38   Mean   :41.86   Mean   : -0.3277  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.:  1.5242  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   :  2.4378  
    altitud    
 Min.   :1167  
 1st Qu.:1894  
 Median :2143  
 Mean   :2100  
 3rd Qu.:2316  
 Max.   :2535  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin            precip    
 Min.   : 4.000   Min.   :  8.0   Min.   :-110.0   Min.   : 0.0  
 1st Qu.: 8.000   1st Qu.:156.0   1st Qu.:  63.0   1st Qu.: 3.0  
 Median :10.000   Median :221.0   Median : 112.0   Median :10.0  
 Mean   : 9.252   Mean   :213.4   Mean   : 109.8   Mean   :14.5  
 3rd Qu.:11.000   3rd Qu.:272.0   3rd Qu.: 159.0   3rd Qu.:21.0  
 Max.   :12.000   Max.   :386.0   Max.   : 254.0   Max.   :67.0  
     nevada            prof_nieve          longitud        latitud       
 Min.   :0.0000000   Min.   : 0.00000   Min.   :37.19   Min.   :-8.6494  
 1st Qu.:0.0000000   1st Qu.: 0.00000   1st Qu.:39.88   1st Qu.:-2.9056  
 Median :0.0000000   Median : 0.00000   Median :41.29   Median : 0.0406  
 Mean   :0.0002829   Mean   : 0.02744   Mean   :40.96   Mean   :-0.9290  
 3rd Qu.:0.0000000   3rd Qu.: 0.00000   3rd Qu.:42.01   3rd Qu.: 1.1678  
 Max.   :3.0000000   Max.   :59.00000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 251.0  
 Mean   : 354.4  
 3rd Qu.: 617.0  
 Max.   :1572.0  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : 30.0   Min.   :-31.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.: 0.00   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median : 1.00   Median :0  
 Mean   : 6.505   Mean   :217.7   Mean   :150.9   Mean   : 6.74   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.: 8.00   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :93.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03093   Mean   :28.37   Mean   :-16.05   Mean   : 514.5  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

Visualización de 6 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=6)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=6)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 42.0   Min.   :-42.00   Min.   : 46.00   Min.   :0  
 1st Qu.: 2.000   1st Qu.:126.0   1st Qu.: 57.00   1st Qu.: 63.00   1st Qu.:0  
 Median : 5.000   Median :149.0   Median : 77.00   Median : 72.00   Median :0  
 Mean   : 6.194   Mean   :155.6   Mean   : 82.59   Mean   : 74.77   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:179.0   3rd Qu.:105.00   3rd Qu.: 85.00   3rd Qu.:0  
 Max.   :12.000   Max.   :336.0   Max.   :219.00   Max.   :120.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:41.91   1st Qu.: -7.863   1st Qu.:  27.1  
 Median : 0.00000   Median :42.89   Median : -3.831   Median :  95.0  
 Mean   : 0.08719   Mean   :41.90   Mean   : -4.454   Mean   : 174.5  
 3rd Qu.: 0.00000   3rd Qu.:43.36   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :35.00000   Max.   :43.57   Max.   :  4.216   Max.   :1082.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-89.00   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.:150.0   1st Qu.: 48.00   1st Qu.: 3.00  
 Median : 4.000   Median :189.0   Median : 88.00   Median :10.00  
 Mean   : 4.748   Mean   :198.9   Mean   : 90.57   Mean   :13.18  
 3rd Qu.: 7.000   3rd Qu.:246.0   3rd Qu.:134.00   3rd Qu.:20.00  
 Max.   :12.000   Max.   :403.0   Max.   :250.00   Max.   :66.00  
     nevada          prof_nieve          longitud        latitud      
 Min.   :0.00000   Min.   : 0.00000   Min.   :35.28   Min.   :-8.649  
 1st Qu.:0.00000   1st Qu.: 0.00000   1st Qu.:37.84   1st Qu.:-5.649  
 Median :0.00000   Median : 0.00000   Median :40.66   Median :-3.789  
 Mean   :0.00038   Mean   : 0.06007   Mean   :40.12   Mean   :-3.398  
 3rd Qu.:0.00000   3rd Qu.: 0.00000   3rd Qu.:42.01   3rd Qu.:-1.411  
 Max.   :6.00000   Max.   :75.00000   Max.   :43.57   Max.   : 4.216  
    altitud      
 Min.   :   1.0  
 1st Qu.:  42.0  
 Median : 200.0  
 Mean   : 363.1  
 3rd Qu.: 656.0  
 Max.   :1668.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax             tmin             precip     
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.0  
 1st Qu.: 4.000   1st Qu.: 33.00   1st Qu.: -29.75   1st Qu.: 16.0  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.5  
 Mean   : 6.586   Mean   : 89.72   Mean   :  18.43   Mean   : 34.0  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 47.0  
 Max.   :12.000   Max.   :263.00   Max.   : 163.00   Max.   :126.0  
     nevada    prof_nieve         longitud        latitud        
 Min.   :0   Min.   :   0.00   Min.   :28.31   Min.   :-16.4992  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.: -4.0103  
 Median :0   Median :   0.00   Median :42.38   Median :  0.8842  
 Mean   :0   Mean   :  13.38   Mean   :41.86   Mean   : -0.3277  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.:  1.5242  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   :  2.4378  
    altitud    
 Min.   :1167  
 1st Qu.:1894  
 Median :2143  
 Mean   :2100  
 3rd Qu.:2316  
 Max.   :2535  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.0   Min.   :109.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:117.0   1st Qu.: 55.0   1st Qu.:124.0   1st Qu.:0  
 Median :10.000   Median :137.0   Median : 76.0   Median :136.0   Median :0  
 Mean   : 7.235   Mean   :143.9   Mean   : 78.3   Mean   :147.6   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:165.0   3rd Qu.:100.5   3rd Qu.:155.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.0   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:41.67   1st Qu.: -8.624   1st Qu.:  43.3  
 Median :  0.000   Median :42.43   Median : -8.411   Median : 261.0  
 Mean   :  2.615   Mean   :41.26   Mean   : -6.406   Mean   : 364.8  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -3.819   3rd Qu.: 370.0  
 Max.   :607.000   Max.   :43.57   Max.   :  2.827   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin            precip    
 Min.   : 4.000   Min.   :  8.0   Min.   :-110.0   Min.   : 0.0  
 1st Qu.: 8.000   1st Qu.:156.0   1st Qu.:  63.0   1st Qu.: 3.0  
 Median :10.000   Median :221.0   Median : 112.0   Median :10.0  
 Mean   : 9.252   Mean   :213.4   Mean   : 109.8   Mean   :14.5  
 3rd Qu.:11.000   3rd Qu.:272.0   3rd Qu.: 159.0   3rd Qu.:21.0  
 Max.   :12.000   Max.   :386.0   Max.   : 254.0   Max.   :67.0  
     nevada            prof_nieve          longitud        latitud       
 Min.   :0.0000000   Min.   : 0.00000   Min.   :37.19   Min.   :-8.6494  
 1st Qu.:0.0000000   1st Qu.: 0.00000   1st Qu.:39.88   1st Qu.:-2.9056  
 Median :0.0000000   Median : 0.00000   Median :41.29   Median : 0.0406  
 Mean   :0.0002829   Mean   : 0.02744   Mean   :40.96   Mean   :-0.9290  
 3rd Qu.:0.0000000   3rd Qu.: 0.00000   3rd Qu.:42.01   3rd Qu.: 1.1678  
 Max.   :3.0000000   Max.   :59.00000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 251.0  
 Mean   : 354.4  
 3rd Qu.: 617.0  
 Max.   :1572.0  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : 30.0   Min.   :-31.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.: 0.00   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median : 1.00   Median :0  
 Mean   : 6.505   Mean   :217.7   Mean   :150.9   Mean   : 6.74   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.: 8.00   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :93.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03093   Mean   :28.37   Mean   :-16.05   Mean   : 514.5  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

Visualización de 8 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=8)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=8)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 42.0   Min.   :-42.00   Min.   : 46.00   Min.   :0  
 1st Qu.: 2.000   1st Qu.:126.0   1st Qu.: 57.00   1st Qu.: 63.00   1st Qu.:0  
 Median : 5.000   Median :149.0   Median : 77.00   Median : 72.00   Median :0  
 Mean   : 6.194   Mean   :155.6   Mean   : 82.59   Mean   : 74.77   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:179.0   3rd Qu.:105.00   3rd Qu.: 85.00   3rd Qu.:0  
 Max.   :12.000   Max.   :336.0   Max.   :219.00   Max.   :120.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:41.91   1st Qu.: -7.863   1st Qu.:  27.1  
 Median : 0.00000   Median :42.89   Median : -3.831   Median :  95.0  
 Mean   : 0.08719   Mean   :41.90   Mean   : -4.454   Mean   : 174.5  
 3rd Qu.: 0.00000   3rd Qu.:43.36   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :35.00000   Max.   :43.57   Max.   :  4.216   Max.   :1082.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt          tmax            tmin            precip     
 Min.   :1.000   Min.   : 29.0   Min.   :-68.00   Min.   : 0.00  
 1st Qu.:2.000   1st Qu.:143.0   1st Qu.: 42.00   1st Qu.: 4.00  
 Median :3.000   Median :168.0   Median : 67.00   Median :11.00  
 Mean   :2.782   Mean   :167.8   Mean   : 66.53   Mean   :15.17  
 3rd Qu.:4.000   3rd Qu.:193.0   3rd Qu.: 90.00   3rd Qu.:24.00  
 Max.   :7.000   Max.   :352.0   Max.   :206.00   Max.   :66.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   : 0.00000   Min.   :36.83   Min.   :-4.0233  
 1st Qu.:0.000000   1st Qu.: 0.00000   1st Qu.:39.49   1st Qu.:-0.5000  
 Median :0.000000   Median : 0.00000   Median :41.34   Median : 0.5950  
 Mean   :0.000668   Mean   : 0.04895   Mean   :40.80   Mean   : 0.5786  
 3rd Qu.:0.000000   3rd Qu.: 0.00000   3rd Qu.:41.98   3rd Qu.: 1.9356  
 Max.   :4.000000   Max.   :40.00000   Max.   :43.49   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  29.0  
 Median :  85.0  
 Mean   : 174.8  
 3rd Qu.: 263.0  
 Max.   :1002.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-89.00   Min.   : 0.00  
 1st Qu.: 3.000   1st Qu.:137.0   1st Qu.: 33.00   1st Qu.: 4.00  
 Median : 5.000   Median :190.0   Median : 82.00   Median :11.00  
 Mean   : 4.759   Mean   :196.6   Mean   : 81.89   Mean   :12.99  
 3rd Qu.: 7.000   3rd Qu.:255.0   3rd Qu.:131.00   3rd Qu.:19.00  
 Max.   :12.000   Max.   :400.0   Max.   :250.00   Max.   :64.00  
     nevada           prof_nieve          longitud        latitud      
 Min.   :0.000000   Min.   : 0.00000   Min.   :37.13   Min.   :-8.649  
 1st Qu.:0.000000   1st Qu.: 0.00000   1st Qu.:40.41   1st Qu.:-5.661  
 Median :0.000000   Median : 0.00000   Median :41.52   Median :-3.919  
 Mean   :0.000436   Mean   : 0.08891   Mean   :41.40   Mean   :-4.302  
 3rd Qu.:0.000000   3rd Qu.: 0.00000   3rd Qu.:42.59   3rd Qu.:-3.174  
 Max.   :6.000000   Max.   :75.00000   Max.   :43.57   Max.   : 2.438  
    altitud      
 Min.   :   5.0  
 1st Qu.: 370.0  
 Median : 656.0  
 Mean   : 594.4  
 3rd Qu.: 846.0  
 Max.   :1668.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax             tmin             precip     
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.0  
 1st Qu.: 4.000   1st Qu.: 33.00   1st Qu.: -29.75   1st Qu.: 16.0  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.5  
 Mean   : 6.586   Mean   : 89.72   Mean   :  18.43   Mean   : 34.0  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 47.0  
 Max.   :12.000   Max.   :263.00   Max.   : 163.00   Max.   :126.0  
     nevada    prof_nieve         longitud        latitud        
 Min.   :0   Min.   :   0.00   Min.   :28.31   Min.   :-16.4992  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.: -4.0103  
 Median :0   Median :   0.00   Median :42.38   Median :  0.8842  
 Mean   :0   Mean   :  13.38   Mean   :41.86   Mean   : -0.3277  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.:  1.5242  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   :  2.4378  
    altitud    
 Min.   :1167  
 1st Qu.:1894  
 Median :2143  
 Mean   :2100  
 3rd Qu.:2316  
 Max.   :2535  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.0   Min.   :109.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:117.0   1st Qu.: 55.0   1st Qu.:124.0   1st Qu.:0  
 Median :10.000   Median :137.0   Median : 76.0   Median :136.0   Median :0  
 Mean   : 7.235   Mean   :143.9   Mean   : 78.3   Mean   :147.6   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:165.0   3rd Qu.:100.5   3rd Qu.:155.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.0   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:41.67   1st Qu.: -8.624   1st Qu.:  43.3  
 Median :  0.000   Median :42.43   Median : -8.411   Median : 261.0  
 Mean   :  2.615   Mean   :41.26   Mean   : -6.406   Mean   : 364.8  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -3.819   3rd Qu.: 370.0  
 Max.   :607.000   Max.   :43.57   Max.   :  2.827   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin            precip    
 Min.   : 4.000   Min.   :  8.0   Min.   :-110.0   Min.   : 0.0  
 1st Qu.: 8.000   1st Qu.:156.0   1st Qu.:  63.0   1st Qu.: 3.0  
 Median :10.000   Median :221.0   Median : 112.0   Median :10.0  
 Mean   : 9.252   Mean   :213.4   Mean   : 109.8   Mean   :14.5  
 3rd Qu.:11.000   3rd Qu.:272.0   3rd Qu.: 159.0   3rd Qu.:21.0  
 Max.   :12.000   Max.   :386.0   Max.   : 254.0   Max.   :67.0  
     nevada            prof_nieve          longitud        latitud       
 Min.   :0.0000000   Min.   : 0.00000   Min.   :37.19   Min.   :-8.6494  
 1st Qu.:0.0000000   1st Qu.: 0.00000   1st Qu.:39.88   1st Qu.:-2.9056  
 Median :0.0000000   Median : 0.00000   Median :41.29   Median : 0.0406  
 Mean   :0.0002829   Mean   : 0.02744   Mean   :40.96   Mean   :-0.9290  
 3rd Qu.:0.0000000   3rd Qu.: 0.00000   3rd Qu.:42.01   3rd Qu.: 1.1678  
 Max.   :3.0000000   Max.   :59.00000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 251.0  
 Mean   : 354.4  
 3rd Qu.: 617.0  
 Max.   :1572.0  

if (!empty_nodes) summary(df.cluster07)

   fecha_cnt           tmax            tmin           precip         nevada 
 Min.   : 1.000   Min.   : 84.0   Min.   :-17.0   Min.   : 0.0   Min.   :0  
 1st Qu.: 4.000   1st Qu.:180.0   1st Qu.: 91.0   1st Qu.: 0.0   1st Qu.:0  
 Median : 7.000   Median :224.0   Median :129.0   Median : 6.0   Median :0  
 Mean   : 6.569   Mean   :232.6   Mean   :130.2   Mean   :11.7   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:280.0   3rd Qu.:174.0   3rd Qu.:19.0   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :246.0   Max.   :63.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :35.28   Min.   :-6.9492   Min.   :  1.00  
 1st Qu.: 0.0000   1st Qu.:36.50   1st Qu.:-6.3317   1st Qu.: 19.00  
 Median : 0.0000   Median :36.85   Median :-5.6000   Median : 32.00  
 Mean   : 0.0136   Mean   :36.95   Mean   :-5.3403   Mean   : 83.39  
 3rd Qu.: 0.0000   3rd Qu.:37.28   3rd Qu.:-4.8458   3rd Qu.: 90.00  
 Max.   :34.0000   Max.   :39.47   Max.   : 0.8031   Max.   :717.00  

if (!empty_nodes) summary(df.cluster08)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : 30.0   Min.   :-31.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.: 0.00   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median : 1.00   Median :0  
 Mean   : 6.505   Mean   :217.7   Mean   :150.9   Mean   : 6.74   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.: 8.00   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :93.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03093   Mean   :28.37   Mean   :-16.05   Mean   : 514.5  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.hist(df.cluster07)

if (!empty_nodes) mpr.hist(df.cluster08)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster07)

if (!empty_nodes) mpr.boxplot(df.cluster08)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

Visualización de 10 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=10)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=10)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)
  df.cluster09 <- subset(df, cluster==9)
  df.cluster10 <- subset(df, cluster==10)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 42.0   Min.   :-42.00   Min.   : 46.00   Min.   :0  
 1st Qu.: 2.000   1st Qu.:126.0   1st Qu.: 57.00   1st Qu.: 63.00   1st Qu.:0  
 Median : 5.000   Median :149.0   Median : 77.00   Median : 72.00   Median :0  
 Mean   : 6.194   Mean   :155.6   Mean   : 82.59   Mean   : 74.77   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:179.0   3rd Qu.:105.00   3rd Qu.: 85.00   3rd Qu.:0  
 Max.   :12.000   Max.   :336.0   Max.   :219.00   Max.   :120.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:41.91   1st Qu.: -7.863   1st Qu.:  27.1  
 Median : 0.00000   Median :42.89   Median : -3.831   Median :  95.0  
 Mean   : 0.08719   Mean   :41.90   Mean   : -4.454   Mean   : 174.5  
 3rd Qu.: 0.00000   3rd Qu.:43.36   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :35.00000   Max.   :43.57   Max.   :  4.216   Max.   :1082.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt          tmax            tmin            precip     
 Min.   :1.000   Min.   : 29.0   Min.   :-68.00   Min.   : 0.00  
 1st Qu.:2.000   1st Qu.:143.0   1st Qu.: 42.00   1st Qu.: 4.00  
 Median :3.000   Median :168.0   Median : 67.00   Median :11.00  
 Mean   :2.782   Mean   :167.8   Mean   : 66.53   Mean   :15.17  
 3rd Qu.:4.000   3rd Qu.:193.0   3rd Qu.: 90.00   3rd Qu.:24.00  
 Max.   :7.000   Max.   :352.0   Max.   :206.00   Max.   :66.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   : 0.00000   Min.   :36.83   Min.   :-4.0233  
 1st Qu.:0.000000   1st Qu.: 0.00000   1st Qu.:39.49   1st Qu.:-0.5000  
 Median :0.000000   Median : 0.00000   Median :41.34   Median : 0.5950  
 Mean   :0.000668   Mean   : 0.04895   Mean   :40.80   Mean   : 0.5786  
 3rd Qu.:0.000000   3rd Qu.: 0.00000   3rd Qu.:41.98   3rd Qu.: 1.9356  
 Max.   :4.000000   Max.   :40.00000   Max.   :43.49   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  29.0  
 Median :  85.0  
 Mean   : 174.8  
 3rd Qu.: 263.0  
 Max.   :1002.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-89.00   Min.   : 0.00  
 1st Qu.: 3.000   1st Qu.:137.0   1st Qu.: 33.00   1st Qu.: 4.00  
 Median : 5.000   Median :190.0   Median : 82.00   Median :11.00  
 Mean   : 4.759   Mean   :196.6   Mean   : 81.89   Mean   :12.99  
 3rd Qu.: 7.000   3rd Qu.:255.0   3rd Qu.:131.00   3rd Qu.:19.00  
 Max.   :12.000   Max.   :400.0   Max.   :250.00   Max.   :64.00  
     nevada           prof_nieve          longitud        latitud      
 Min.   :0.000000   Min.   : 0.00000   Min.   :37.13   Min.   :-8.649  
 1st Qu.:0.000000   1st Qu.: 0.00000   1st Qu.:40.41   1st Qu.:-5.661  
 Median :0.000000   Median : 0.00000   Median :41.52   Median :-3.919  
 Mean   :0.000436   Mean   : 0.08891   Mean   :41.40   Mean   :-4.302  
 3rd Qu.:0.000000   3rd Qu.: 0.00000   3rd Qu.:42.59   3rd Qu.:-3.174  
 Max.   :6.000000   Max.   :75.00000   Max.   :43.57   Max.   : 2.438  
    altitud      
 Min.   :   5.0  
 1st Qu.: 370.0  
 Median : 656.0  
 Mean   : 594.4  
 3rd Qu.: 846.0  
 Max.   :1668.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax             tmin             precip     
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.0  
 1st Qu.: 4.000   1st Qu.: 33.00   1st Qu.: -29.75   1st Qu.: 16.0  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.5  
 Mean   : 6.586   Mean   : 89.72   Mean   :  18.43   Mean   : 34.0  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 47.0  
 Max.   :12.000   Max.   :263.00   Max.   : 163.00   Max.   :126.0  
     nevada    prof_nieve         longitud        latitud        
 Min.   :0   Min.   :   0.00   Min.   :28.31   Min.   :-16.4992  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.: -4.0103  
 Median :0   Median :   0.00   Median :42.38   Median :  0.8842  
 Mean   :0   Mean   :  13.38   Mean   :41.86   Mean   : -0.3277  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.:  1.5242  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   :  2.4378  
    altitud    
 Min.   :1167  
 1st Qu.:1894  
 Median :2143  
 Mean   :2100  
 3rd Qu.:2316  
 Max.   :2535  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.0   Min.   :109.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:117.0   1st Qu.: 55.0   1st Qu.:124.0   1st Qu.:0  
 Median :10.000   Median :137.0   Median : 76.0   Median :136.0   Median :0  
 Mean   : 7.235   Mean   :143.9   Mean   : 78.3   Mean   :147.6   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:165.0   3rd Qu.:100.5   3rd Qu.:155.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.0   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:41.67   1st Qu.: -8.624   1st Qu.:  43.3  
 Median :  0.000   Median :42.43   Median : -8.411   Median : 261.0  
 Mean   :  2.615   Mean   :41.26   Mean   : -6.406   Mean   : 364.8  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -3.819   3rd Qu.: 370.0  
 Max.   :607.000   Max.   :43.57   Max.   :  2.827   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin           precip      
 Min.   : 4.000   Min.   :  8.0   Min.   :-38.0   Min.   : 0.000  
 1st Qu.: 6.000   1st Qu.:205.0   1st Qu.:101.0   1st Qu.: 2.000  
 Median : 8.000   Median :257.0   Median :147.0   Median : 6.000  
 Mean   : 8.262   Mean   :244.7   Mean   :137.8   Mean   : 7.482  
 3rd Qu.:10.000   3rd Qu.:291.0   3rd Qu.:180.0   3rd Qu.:12.000  
 Max.   :12.000   Max.   :386.0   Max.   :254.0   Max.   :31.000  
     nevada            prof_nieve          longitud        latitud       
 Min.   :0.0000000   Min.   : 0.00000   Min.   :37.79   Min.   :-3.8314  
 1st Qu.:0.0000000   1st Qu.: 0.00000   1st Qu.:39.49   1st Qu.: 0.0406  
 Median :0.0000000   Median : 0.00000   Median :41.29   Median : 0.5950  
 Mean   :0.0003547   Mean   : 0.01312   Mean   :40.66   Mean   : 0.6103  
 3rd Qu.:0.0000000   3rd Qu.: 0.00000   3rd Qu.:41.68   3rd Qu.: 1.6331  
 Max.   :3.0000000   Max.   :59.00000   Max.   :43.49   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  29.0  
 Median :  81.0  
 Mean   : 177.4  
 3rd Qu.: 283.0  
 Max.   :1097.0  

if (!empty_nodes) summary(df.cluster07)

   fecha_cnt          tmax            tmin             precip     
 Min.   : 6.00   Min.   :  8.0   Min.   :-110.00   Min.   : 0.00  
 1st Qu.: 9.00   1st Qu.:124.0   1st Qu.:  37.00   1st Qu.: 8.00  
 Median :10.00   Median :176.0   Median :  78.00   Median :21.00  
 Mean   :10.38   Mean   :177.8   Mean   :  77.92   Mean   :22.47  
 3rd Qu.:11.00   3rd Qu.:228.0   3rd Qu.: 116.00   3rd Qu.:34.00  
 Max.   :12.00   Max.   :355.0   Max.   : 244.00   Max.   :67.00  
     nevada            prof_nieve         longitud        latitud      
 Min.   :0.0000000   Min.   : 0.0000   Min.   :37.19   Min.   :-8.649  
 1st Qu.:0.0000000   1st Qu.: 0.0000   1st Qu.:40.41   1st Qu.:-4.535  
 Median :0.0000000   Median : 0.0000   Median :41.29   Median :-3.450  
 Mean   :0.0002014   Mean   : 0.0437   Mean   :41.29   Mean   :-2.677  
 3rd Qu.:0.0000000   3rd Qu.: 0.0000   3rd Qu.:42.37   3rd Qu.:-1.293  
 Max.   :2.0000000   Max.   :35.0000   Max.   :43.57   Max.   : 4.216  
    altitud      
 Min.   :   1.0  
 1st Qu.: 251.0  
 Median : 617.0  
 Mean   : 555.3  
 3rd Qu.: 790.0  
 Max.   :1572.0  

if (!empty_nodes) summary(df.cluster08)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 7.000   Min.   : 90.0   Min.   :-10.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 8.000   1st Qu.:197.0   1st Qu.:114.0   1st Qu.: 0.00   1st Qu.:0  
 Median : 9.000   Median :260.0   Median :162.0   Median : 3.00   Median :0  
 Mean   : 9.435   Mean   :255.3   Mean   :150.6   Mean   :10.07   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:307.0   3rd Qu.:191.0   3rd Qu.:16.00   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :246.0   Max.   :61.00   Max.   :0  
   prof_nieve           longitud        latitud          altitud      
 Min.   : 0.000000   Min.   :35.28   Min.   :-6.949   Min.   :  1.00  
 1st Qu.: 0.000000   1st Qu.:36.50   1st Qu.:-6.332   1st Qu.: 19.00  
 Median : 0.000000   Median :36.85   Median :-5.600   Median : 34.00  
 Mean   : 0.009942   Mean   :36.97   Mean   :-5.261   Mean   : 88.21  
 3rd Qu.: 0.000000   3rd Qu.:37.28   3rd Qu.:-4.488   3rd Qu.: 90.00  
 Max.   :26.000000   Max.   :39.47   Max.   :-1.169   Max.   :582.00  

if (!empty_nodes) summary(df.cluster09)

   fecha_cnt          tmax          tmin           precip         nevada 
 Min.   :1.000   Min.   : 84   Min.   :-17.0   Min.   : 0.0   Min.   :0  
 1st Qu.:2.000   1st Qu.:170   1st Qu.: 79.0   1st Qu.: 2.0   1st Qu.:0  
 Median :4.000   Median :201   Median :108.0   Median :10.0   Median :0  
 Mean   :3.572   Mean   :209   Mean   :108.9   Mean   :13.4   Mean   :0  
 3rd Qu.:5.000   3rd Qu.:240   3rd Qu.:140.0   3rd Qu.:21.0   3rd Qu.:0  
 Max.   :6.000   Max.   :379   Max.   :216.0   Max.   :63.0   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-6.9492   Min.   :  1.00  
 1st Qu.: 0.00000   1st Qu.:36.50   1st Qu.:-6.3317   1st Qu.: 19.00  
 Median : 0.00000   Median :36.83   Median :-5.6156   Median : 32.00  
 Mean   : 0.01743   Mean   :36.93   Mean   :-5.4236   Mean   : 78.36  
 3rd Qu.: 0.00000   3rd Qu.:37.28   3rd Qu.:-4.8458   3rd Qu.: 90.00  
 Max.   :34.00000   Max.   :39.47   Max.   : 0.8031   Max.   :717.00  

if (!empty_nodes) summary(df.cluster10)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : 30.0   Min.   :-31.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.: 0.00   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median : 1.00   Median :0  
 Mean   : 6.505   Mean   :217.7   Mean   :150.9   Mean   : 6.74   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.: 8.00   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :93.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03093   Mean   :28.37   Mean   :-16.05   Mean   : 514.5  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.hist(df.cluster07)

if (!empty_nodes) mpr.hist(df.cluster08)

if (!empty_nodes) mpr.hist(df.cluster09)

if (!empty_nodes) mpr.hist(df.cluster10)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster07)

if (!empty_nodes) mpr.boxplot(df.cluster08)

if (!empty_nodes) mpr.boxplot(df.cluster09)

if (!empty_nodes) mpr.boxplot(df.cluster10)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
  df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
  df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)